BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

架构师特刊:推荐系统(理论篇)

| 作者 InfoQ中文站 关注 60 他的粉丝 发布于 2016年5月19日 CNUTCon 了解国内外一线大厂50+智能运维最新实践案例。

目录

第1章 推荐算法简介

第2章 协同过滤推荐算法

第3章 基于内容的过滤算法

第4章 混合推荐算法

第5章 如何选择推荐算法

第6章 推荐系统和搜索引擎的关系

序言

百分点集团开发副总监 雷银

在Web1.0时代,导航网站是人们获取信息的主要方式,人们从固定的目录式资源列表中寻找自己感兴趣的东西;Web2.0时代,搜索引擎让人们可以方便的获取整个互联网的资源,让互联网真正无缝互联。但是当互联网的资源量已经爆炸到人们无法分辨和接收时,推荐系统则从更深的层次发现用户需求,给大家带来了个性化的体验。

推荐系统作为支撑个性化的主要技术方案,已经在互联网上得到了广泛的应用:从1998年亚马逊利用Item-base协同过滤算法开始为用户进行产品推荐开始,如今我们已可以在传统电商、视频、论坛、新闻、广告、邮件、社交、阅读等领域看到推荐系统的应用;在移动端,由于用户界面的缩小,推荐系统的作用更显得突出,在应用市场、游戏市场、桌面、推送等场景,个性化推荐系统也发挥着重要的作用。

推荐算法是推荐系统的核心,了解每个推荐算法的原理和特点有助于在具体场景中算法的选择,无论是基于用户行为协同过滤算法,抑或是基于内容的推荐算法,还是基于流行度等其他算法,都各有优缺点,即使使用深度学习、社会化推荐等高级模型,现实场景中也很难用一个算法解决问题,多算法的组合是一种行之有效的方法,如何选择最合适的算法也是一个“技术活”。

推荐算法很重要,但推荐算法只是推荐系统的其中一部分,推荐系统原理看似简单,但要完整支撑一个应用场景却是一个系统工程。在一个优秀的推荐系统中,数据占70%,产品占30%,算法占10%,这是一个比较广泛的共识,任何一方的短缺都无法取得较好的推荐效果。原理和实验都很难说明一个算法或推荐系统好,真正验证效果还得实践。

在实际应用中,搜索和推荐是目前人们最常用的获取资源的方式,前者体现用户最直接的需求,后者发现用户的隐性需求,两者互相配合,解决用户不同层面的个性化需求。现实的搜索引擎中大量的融合了推荐系统的思路和算法解决个性化排序的问题,推荐系统中也会借助搜索引擎的思路来达到更精确的召回效果。

不管什么技术,我们的目标是解决个性化的问题,洞察用户需求,降低用户获取优质资源的成本,提升用户体验,让用户在方方面面都体验到个性化的服务。

InfoQ此次汇集各方智慧形成的推荐系统的电子书,可以让大家对推荐系统有一个更全面的认识,内容简洁清晰,其中每一点都是经验之谈,可以作为推荐爱好者的入门读物,也可以作为推荐系统开发者的方向指导。

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT